PageRank algoritmus Hubs and Authorities. Adatbányászat. Webbányászat PageRank, Hubs and Authorities. Szegedi Tudományegyetem.
|
|
- István Biró
- 8 évvel ezelőtt
- Látták:
Átírás
1 Webbányászat PageRank, Szegedi Tudományegyetem
2 Miért akarjuk rangsorolni a Weboldalakat? Mert tudásra szomjazunk Mert a Google-nak megéri. Pontosan hogy is? Mert állatorvost keresünk, pizzázni akarunk, meg akarjuk találni a szállásunkat, köszi esszét akarunk írni,...
3 Milyen a Web felépítése? Nagy erősen összefüggő, központi komponens Kisebb erősen összefüggő komponensek, melyek a központi EÖK-hoz be,-vagy kiélekkel csatlakoznak A központi EÖK-hoz beélekkel csatlakozó komponens elemei és az ahhoz kiélekkel csatlakozó komponens elemei közötti linkek Leszakadó komponensek
4 Mi kell a hatékony információvisszakereséshez? Ismerni kell a dokumentumok tartalmát indexelés problémaköre (Esetleg többszavas) keresőkifejezésre vissza kell tudni adni, mely dokumentumokban szerepeltek Szótövezés Termek relevancia szerinti súlyozása, pl. tf-idf súlyozás (és annak számtalan variánsa) Keresőkifejezést tartalmazó találatok rangsorolása várható hasznosság tekintetében
5 Weboldalak rangsorolása Miben mérjük egy oldal fontosságát? Látogatottság? Linkek? Rekurzív definíciónkban egy oldal fontossága legyen arányban a rá mutató oldalak fontosságával rang (j) = X rang (i) fokszám(i) i j Mit okoz, ha magas egy csúcs befoka? És ha a kifoka?
6 Sztochasztikus mátrixok M mátrix sor-sztochasztikus, amennyiben mi,j, továbbá n P i {,..., n} mi,j = j= Hasonlóan adható meg az oszlop-sztochasztikusság definíciója M mátrix mi,j elemének jelentése? M átmenet/tranzíciós mátrix, mely segítségével Markov folyamatok írhatók le Milyen jelentés társítható p = p M és p = Mp szorzatokhoz? M = p M i -hez? És milyen pi = pi
7 Sztochasztikus mátrixok stacionárius eloszlása Irreducibilitás: bármely pontból bármely másikba vezessen irányított út Aperiodicitás: i n : P(σn = i σ = i, n > n ) > p sztochasztikus vektor, mely M stacionárius eloszlása Stacionárius eloszlás: p = lim p M t t Kicsit másképp: azon pt, melyre pt pt M Hatványiteráció: szorozzuk p -t M-el, amíg nem konvergál A konvergencia vonatkozhat az oldalak rangbéli változásának (valamilyen norma szerinti) összességére, de a sorrendjükre is M= 2 2 3
8 Ergodikus Markov lánc Hatványiteráció 2 M2 = 3 M3 = p p p2 p3,25,375,33,3,25,28,229,29,25,28,229,29,25,28,229,29 Mennyire meglepő, hogy 3 pont p6...,332...,22...,22...,22 fontossága is p9...,333...,222...,222...,222 végig teljesen egyező?
9 A Web azonban nem ergodikus Léteznek olyan oldalak, amelyekről nem mutat kimenő link Az ilyen oldalak elnyelik a hálózat szereplőinek fontosságát Legegyszerűbb ilyen gráf M v, lim v M i = ~ M = 2 2 M i = 2i i
10 A zsákutcák lehetséges feloldása példa Fejtsük vissza a gráfot, amíg zsákutcamentes nem lesz A zsákutca jelenséget okozó csúcsok eltávolításával sokszor újabb zsákutca csúcso(ka)t generálunk Határozzuk meg a zsákutcamentesített gráf csúcsainak rangját, és abból származtassuk a korábban eltávolított csúcsok rangját Ezzel az eljárással a rangok összege meghaladja,-t (persze normalizálhatunk utólag) M= 2 2
11 A Web azonban nem ergodikus Kijártat nélküli csapda komponens a hálózatban, ami magába gyűjti az összes oldal fontosságát Legegyszerűbb megjelenése: hurokélen túli éllel nem rendelkező csúcs (persze elképzelhetők nagyobb csapdák is) M= 2 2 p p p2 p3 p6 p9,25,25,,73...,29...,,25,28,6,8...,2...,6,25,58,6,72...,888...,957,25,28,6,8...,2...,6
12 A pókháló struktúrák lehetséges feloldása példa A weben történő véletlen bolyongás modellezésébe vegyük bele a teleportálás lehetőségét A véletlen böngészés során β(, 8, 9) valószínűséggel kövessük az adott tartózkodási helyünkből kimenő élek egyikét ( β) valószínűséggel találjuk magunkat egy random weboldalon megszüntetjük a beragadást ~ p(i+) = p(i) βm + ( β) csúcsok száma ~~ Esetleg p(i+) = p(i) (βm + ( β) n ), ahol n a csúcsok száma, ha az jobban tetszik
13 A pókháló struktúrák lehetséges feloldása példa βm = 52 Mekkora volt β p p,25,5,25,27,25,7,25, a példában? p2 p3,37,2,77,57,5,565,77,57 p6,5,3,627,3 p9,,3,639,3
14 Mennyire objektív a PageRank által kapott sorrendje a weboldalaknak? Eltérő emberek számára ugyanarra a keresőkifejezésre más számít releváns találatnak Minden ember számára legyen eltérő súlyozása a weboldalaknak? Sőt, ugyanannak az embernek is eltérő időpontokban eltérő találatok kellhetnek Minden ember minden lelkiállapotához legyen eltérő súlyozása a weboldalaknak, amiket tárolunk is?
15 Elfogult véletlen séták Általában egy topikon belül van szükségünk egy találatra (pl. jaguár a sport vagy autózás témakörében) Következtetni lehet, hogy mely doménre kíváncsi az ember aktuálisan Keresési előzményekből A keresés helyéből (pl. sportoldal keresődobozából) Az ember meg is adhatja a témakört (implicit vagy explicit) Előnye, hogy árnyaltabb képet képes adni a hagyományos PageRank-nál
16 Példa ~ r p(i+) = pi βm + ( β) adott témábanreleváns oldalak ~r vektor annyi trükköt tartalmaz, hogy csak azoknak a pontoknak megfelelő pozíciókon tartalmaz -eseket, amely oldalak az adott témára nézve relevánsak, más elemei -k βm =
17 A PageRank meghackelése Linkfarmok létrehozásával az igazi relevanciával nem bíró oldalak fontosabb színben tüntethetők föl : alkalmazása, mely során a kedvezményezett témakört a (valamilyen kritérium alapján) megbízhatónak titulált oldalak képzik A megbízható oldalak meghatározása történhet emberi erővel, de várhatóan némileg alacsonyabb hatékonyság mellett osztályozhatjuk őket automatikusan is
18 Gyűjtőlapok és tekintélyek PageRank-hez hasonló, de az oldalakat tipizálja is gyűjtőlap minőségük és tekintélyük szerint A rekurzivitás itt is megjelenik A releváns, magas tekintélyű oldalakra valószínű sok gyűjtőoldal fog mutatni Fordítottja is igaz
19 A gyűjtőlapság és tekintélyesség formalizálása A web A (illetve A ) szomszédsági mátrixára támaszkodik Sztochasztikus az A mátrix? h és a vektorok i-dik elemei az i-dik weblap gyűjtőlap,-és tekintélyértékeit tartalmazzák Pn h = ξaa : P i= hi = vagy max(h) =, illetve a = νa h : ni= ai = vagy max(a) = Kicsit másképp: h = ξνaa h, illetve a = νξa Aa AA, illetve A A szeretnek besűrűsödni aszinkron update
20 HITS algoritmus aszinkron megvalósítása Algorithm HITS algoritmus Input: A adjacenciamátrix Output: h és a vektorok : h := ~ 2: while nem konvergál do 3: a = A h : a = a/max(a) 5: h = Aa 6: h = h/max(h) 7: end while 8: return h, a
21 HITS algoritmus példa 2 3 h a,5,5 5 h,5,7,67 a2,3,9, h2,,3,69 A= a3 h3,2,38,7,8,7,2 a,2,79 3,5e-7 h,36,72
Mesterséges intelligencia 1 előadások
VÁRTERÉSZ MAGDA Mesterséges intelligencia 1 előadások 2006/07-es tanév Tartalomjegyzék 1. A problémareprezentáció 4 1.1. Az állapottér-reprezentáció.................................................. 5
RészletesebbenKeresőmarketing ONLINE MARKETING III. ELŐADÁS KOVÁCS ISTVÁN. BME Menedzsment és Vállalatgazdaságtan Tanszék
Keresőmarketing ONLINE MARKETING III. ELŐADÁS KOVÁCS ISTVÁN BME Menedzsment és Vállalatgazdaságtan Tanszék Amit eléjük teszel, legyen rövid, hogy elolvassák, világos, hogy értékeljék, képekben gazdag,
RészletesebbenMAGYAR RÉZPIACI KÖZPONT. 1241 Budapest, Pf. 62 Telefon 317-2421, Fax 266-6794 e-mail: hcpc.bp@euroweb.hu
MAGYAR RÉZPIACI KÖZPONT 1241 Budapest, Pf. 62 Telefon 317-2421, Fax 266-6794 e-mail: hcpc.bp@euroweb.hu Tartalom 1. A villamos csatlakozások és érintkezôk fajtái............................5 2. Az érintkezések
RészletesebbenEGÉSZSÉGÜGYI DÖNTÉS ELŐKÉSZÍTŐ
EGÉSZSÉGÜGYI DÖNTÉS ELŐKÉSZÍTŐ MODELLEZÉS Brodszky Valentin, Jelics-Popa Nóra, Péntek Márta BCE Közszolgálati Tanszék A tananyag a TÁMOP-4.1.2/A/2-10/1-2010-0003 "Képzés- és tartalomfejlesztés a Budapesti
RészletesebbenForgácsolási paraméterek meghatározása Mikó Balázs, E ép. II. 7.
orgácsolási paraméterek meghatározása 1 orgácsolási paraméterek meghatározása Mikó Balázs, E ép. II. 7. a [mm] : ogásmélység [mm/ord] : elõtolás n [1/min] : ordulatszám v [m/min] : orgácsolási sebesség
RészletesebbenÉS TESZTEK A DEFINITSÉG
MÁTRIX DEFINITSÉGÉNEK FOGALMA ÉS TESZTEK A DEFINITSÉG ELDÖNTÉSÉRE DR. NAGY TAMÁS egyetemi docens Miskolci Egyetem Alkalmazott Matematikai Tanszék A bemutatott kutató munka a TÁMOP-..1.B-10//KONV-010-0001
RészletesebbenHogy keres a Google?
Hogy keres a Google? Kevei Péter SZTE Bolyai Intézet Kutatók Éjszakája 208. szeptember 28. WWW Könyvtár 25 milliárd (25 0 9 ) dokumentummal, és nincs könyvtáros (a Somogyi Könyvtárban 900 000, a Bolyai
RészletesebbenÖ Á Í Í ű ű ú ű ű ű ű ú ú ú ú ű ű ű ű ű ű ű ű ű ú ű ú ú ú ű ú Á ú ű ű Ó ú ű ű ű ú Ó ú ű ú É ú ú ú ű ű ú ű ú Ú Á ú É ú Ó ú ú ú ú ű ű ű ú É Á É É ű ű Í ú ú Ó Í ű Í ű ű ú ű ű ű É ű ú Á ű ű ú Í ű Á ű ú ú É
Részletesebbenö ö ö ö ö ö ö ű ű ö ö ö ö ö Ő ö Ó Ú ö Ö ö ö ö ö Ö Ő ö ö Í Ó Ó Ő ö ö ö ö ö Ő Ő Ó Ő É ö Ú ö ö Ő ö ö ö ö ö ö ö Ő ö Ő É ö Ő ö ö Ő ö ö ö Ó ű ö ö ö Ő ö ö ö Í Ő Ó Í ö ö ö ö Ő Ő Ő Ő Í Ó Ő Ő Í Ő ö ö ö ö ö Ő Ő ö
RészletesebbenÚ ű ü ü Ü ű É É Ö Ö Á ü ü ü ű É ú Á Ö Ü ü ü ű É Á É Ű ű Ü Ü ű ü ű ü ű ü Ü ü ü Ű Á Á Á ű ú ű Á Ó Ó É Á Ó Á Ó ű ü ü ű ű ü ú ú ü ü ü ű ü ű Ü ű ü ü ú ü Ö ü ú ú ü ü ü ü ű ú ü Ó ü Ó Ó ü ü Ó ü ü Ó ű ű ú ű ű ü
RészletesebbenTársadalmi és gazdasági hálózatok modellezése
Társadalmi és gazdasági hálózatok modellezése 2. el adás A hálózatkutatás néhány fontos fogalma El adó: London András 2015. szeptember 15. Átmér l ij a legrövidebb út a hálózatban i és j pont között =
RészletesebbenMultimédiás és webes adatbányászat KISS LÁSZLÓ
Multimédiás és webes adatbányászat KISS LÁSZLÓ Tartalom Webes keresések kezdete PageRank Alapok Számítása a valóságban Topic-Sensitive PageRank Trust Rank Egyéb algoritmusok HITS Google Panda Google Hummingbird
RészletesebbenGAZDASÁGMATEMATIKA KÖZÉPHALADÓ SZINTEN
GAZDASÁGMATEMATIKA KÖZÉPHALADÓ SZINTEN ELTE TáTK Közgazdaságtudományi Tanszék Gazdaságmatematika középhaladó szinten LINEÁRIS PROGRAMOZÁS Készítette: Gábor Szakmai felel s: Gábor Vázlat 1 2 3 4 A lineáris
RészletesebbenSzimulációk egyszerősített fehérjemodellekkel. Szilágyi András
Szimulációk egyszerősített fehérjemodellekkel Szilágyi András Szimulációs módszerek alkalmazhatósági tartományai Egyszerősített modellek Három típusát mutatjuk be: Játék rácsmodellek Realisztikusabb rácsmodellek
RészletesebbenMátrixaritmetika. Tartalom:
Mátrixaritmetika Tartalom: A vektor és mátrix fogalma Speciális mátrixok Relációk és műveletek mátrixokkal A mátrixok szorzása A diadikus szorzat. Hatványozás Gyakorlati alkalmazások Készítette: Dr. Ábrahám
RészletesebbenMesterséges intelligencia, 7. előadás 2008. október 13. Készítette: Masa Tibor (KPM V.)
Mesterséges intelligencia, 7. előadás 2008. október 13. Készítette: Masa Tibor (KPM V.) Bizonytalanságkezelés: Az eddig vizsgáltakhoz képest teljesen más világ. A korábbi problémák nagy része logikai,
RészletesebbenSzepesvári Csaba. 2005 ápr. 11
Gépi tanulás III. Szepesvári Csaba MTA SZTAKI 2005 ápr. 11 Szepesvári Csaba (SZTAKI) Gépi tanulás III. 2005 ápr. 11 1 / 37 1 Döntési fák 2 Felügyelet nélküli tanulás Klaszter-anaĺızis EM algoritmus Gauss
RészletesebbenMesterséges Intelligencia I. (I602, IB602)
Dr. Jelasity Márk Mesterséges Intelligencia I. (I602, IB602) harmadik (2008. szeptember 15-i) előadásának jegyzete Készítette: Papp Tamás PATLACT.SZE KPM V. HEURISZTIKUS FÜGGVÉNYEK ELŐÁLLÍTÁSA Nagyon fontos
RészletesebbenSEO és szövegírás. Szuhi Attila. ITE.hu ITE.HU
SEO és szövegírás Szuhi Attila ITE.hu SEO és Szövegírás Interdiszciplináris téma (On-Page, UX, Linképítés, Közösségi média, stb.) Klasszikus SEO/Szövegírás Technikai rész (ahogy a Google látja) UX/Tartalommarketing
Részletesebbenü É Í ü ü ü Í ü ű ü ü ü ű ü ű ű ű ü ü ü ű ü Í ü ű ü ü ü Ű Í É É Á Ő Á Ó Á Á Á Á É Á Á Á Á É Á Í Á Á Í Í ű Á É É Á Á Ö Í Á Á Á Á Á É Á Á Ó ű Í ü ü ü ű ű ü ü ű ü Á ü ű ü Í Í Í ü Í Í ű ű ü ü ü ü ű ü ű ü ü
RészletesebbenÍ Á Á É ö ö ö ö ö ű ü ö ű ű ű ö ö ö ü ö ü í ü í í í ü í ü Á ü ö ö ü ö ü ö ö ü ö í ö ö ü ö ü í ö ü ű ö ü ö ü í ö í ö ű ű ö ö ú ö ü ö ű ű ű í ö ű í ű ö ű ü ö í ű í í ö í ö ö Ó Í ö ű ű ű ű í í ű ű í í Ü ö
RészletesebbenŰ Í ó Ü Ö Á Á Ó Ö Ü Ü Ü Ü Á Í Ü Á Á Ü Ü Ü Ü Ü Ü Ö Ü Í Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Á Í Ü Í Í Á Í Í Ü Í Í Ü Á Ü Ü Ü Ü Ü Ü Ü Ü Ő Ö Á ÁÍ Á Ü Ü Á Í Ü Í Á Ü Á Í ó Í Í Ü Ü ő Í Ü Ű Ü Ü Ü Ü Í Ü Ü Ü Ü Ü Ü Ü Í Ü Á Ü Ö Á
Részletesebbenű í ú ü Á ü ü ü ü ü É É É Ü í ü Á í í ű í ú É É É Ü Í í í í Á í í Á í Á Í É Ő Ú ú Ú í í í íí í ú í í Í í Í Í É í í Í Í í ú í ü Ó í Í ú Í Í ű í ű í í í Í É Ü ű í ü ű í ú É É É Ü ű í í í í ü í Í í Ú Í í
RészletesebbenTartalom. Matematikai alapok. Termékgyártási példafeladat. Keverési példafeladat Szállítási példafeladat Hátizsák feladat, egészértékű feladat
6. előadás Termelési és optimalizálási feladatok Dr. Szörényi Miklós, Dr. Kallós Gábor 2013 2014 1 Tartalom Matematikai alapok Matematikai modell Fontosabb feladattípusok Érzékenységvizsgálat Termékgyártási
RészletesebbenX. Fénypolarizáció. X.1. A polarizáció jelenségének magyarázata
X. Fénypolarizáció X.1. A polarizáció jelenségének magyarázata A polarizáció a fény hullámtermészetét bizonyító jelenség, amely csak a transzverzális rezgések esetén észlelhető. Köztudott, hogy csak a
RészletesebbenA villamosenergia-szolgáltatással kapcsolatos fogyasztói elégedettség mérésének 2005. évi eredményei
Teleszkóp Teleszkóp Üzleti Tanácsadó és Piackutató Kft. 2092 Budakeszi, Szanatórium köz 6. Tel./Fax.: (23) 450 003 E-mail: teleszkop@teleszkop.hu A villamosenergia-szolgáltatással kapcsolatos fogyasztói
RészletesebbenÖnszerveződő adatbázisok
High Speed Networks Laboratory 1/40 Önszerveződő adatbázisok 1. Paradigmaváltás az adatbázisokban Megtervezett adatbázis Evolúció alkotta adatbázis 2. Önszerveződő adatbázis: struktúra, lekérdezés 3. Struktúra:
RészletesebbenA Fon Cookie szabályzata
A Fon Cookie szabályzata Az utolsó verzió dátuma 2013 Február Az Ön cookie bállításait egy általunk használt cookie fogja rögzíteni; ennek néhány folyományát soroljuk fel az alábbiakban Ha törli az összes
Részletesebben2015, Diszkrét matematika
Diszkrét matematika 5. előadás Sapientia Egyetem, Műszaki és Humántudományok Tanszék Marosvásárhely, Románia mgyongyi@ms.sapientia.ro 2015, őszi félév Miről volt szó az elmúlt előadáson? számtani, mértani,
RészletesebbenSTL. Algoritmus. Iterátor. Tároló. Elsődleges komponensek: Tárolók Algoritmusok Bejárók
STL Elsődleges komponensek: Tárolók Algoritmusok Bejárók Másodlagos komponensek: Függvény objektumok Adapterek Allokátorok (helyfoglalók) Tulajdonságok Tárolók: Vektor (vector) Lista (list) Halmaz (set)
RészletesebbenTOP SEO Trendek 2015-ben. We understand, we deliver.
TOP SEO Trendek 2015-ben We understand, we deliver. Önök szerint Elvis Presley halott? Elvis Presley is dead: 7 150 000 találat Elvis Presley is not dead: 1 550 000 találat Az Google szerint Elvis sajnos
Részletesebben5. Előadás. Megyesi László: Lineáris algebra, 29. 36. oldal. 5. előadás Lineáris függetlenség
5. Előadás Megyesi László: Lineáris algebra, 29. 36. oldal. Gondolkodnivalók Vektortér 1. Gondolkodnivaló Alteret alkotnak-e az R n n (valós n n-es mátrixok) vektortérben az alábbi részhalmazok? U 1 =
RészletesebbenProgramozás 5. Dr. Iványi Péter
Programozás 5. Dr. Iványi Péter 1 Struktúra Véges számú különböző típusú, logikailag összetartozó változó együttese, amelyeket az egyszerű kezelhetőség érdekében gyűjtünk össze. Rekord-nak felel meg struct
Részletesebben7. Szisztolikus rendszerek (Eberhard Zehendner)
7. Szisztolikus rendszerek (Eberhard Zehendner) A szisztolikus rács a speciális feladatot ellátó számítógépek legtökéletesebb formája legegyszerubb esetben csupán egyetlen számítási muvelet ismételt végrehajtására
RészletesebbenÁltalánosítás. Többdimenziós normális eloszlás. Matematikai statisztika elıadás III. éves elemzı szakosoknak
Matematikai statisztika elıadás. éves elemzı szakosokak 0. elıadás Többdimeziós ormális eloszlás Kétdimeziós ormális eloszlás sőrőségfüggvéye ( ( x µ ) ρ ( y ν ) f x, y) ex + ( x µ )( y ν ) ) πσς ρ σ σς
RészletesebbenMagyarország XX. századi története az új külföldi és hazai kutatások, valamint szakmunkák tükrében 2016.02.26-28.
Magyarország XX. századi története az új külföldi és hazai kutatások, valamint szakmunkák tükrében 2016.02.26-28. Értékelőlapok száma 22 Granada Konferencia,Wellness és Sport Hotel 1. csoport A továbbképzési
RészletesebbenProgramozás I. Metódusok C#-ban Egyszerű programozási tételek. Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu
Programozás I. 3. előadás Tömbök a C#-ban Metódusok C#-ban Egyszerű programozási tételek Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar Szoftvertechnológia
RészletesebbenMETEOROLÓGIAI MÉRÉSEK, MŰSZEREK. 2004. 11.9-11.-12. Meteorológia-gyakorlat
METEOROLÓGIAI MÉRÉSEK, MŰSZEREK 2004. 11.9-11.-12. Meteorológia-gyakorlat Sugárzási fajták Napsugárzás: rövid hullámú (0,286 4,0 µm) A) direkt: közvetlenül a Napból érkezik (Napkorong irányából) B) diffúz
RészletesebbenUNILEVER ADATVÉDELMI ELVEK ADATVÉDELMI NYILATKOZAT
UNILEVER ADATVÉDELMI ELVEK Az Unilever komolyan veszi az adatvédelmet. Az alábbi öt elv alátámasztja adatvédelmet tiszteletben tartó megközelítésünket: 1. Megtisztel minket bizalmával, hogy személyes adatait
Részletesebbenend function Az A vektorban elõforduló legnagyobb és legkisebb értékek indexeinek különbségét.. (1.5 pont) Ha üres a vektor, akkor 0-t..
A Név: l 2014.04.09 Neptun kód: Gyakorlat vezető: HG BP MN l 1. Adott egy (12 nem nulla értékû elemmel rendelkezõ) 6x7 méretû ritka mátrix hiányos 4+2 soros reprezentációja. SOR: 1 1 2 2 2 3 3 4 4 5 6
RészletesebbenAnalízis 1. (BSc) vizsgakérdések Programtervez informatikus szak 2008-2009. tanév 2. félév
Analízis 1. (BSc) vizsgakérdések Programtervez informatikus szak 2008-2009. tanév 2. félév Valós számok 1. Hogyan szól a Bernoulli-egyenl tlenség? Mikor van egyenl ség? Válasz. Minden h 1 valós számra
RészletesebbenFizika belépő kérdések /Földtudományi alapszak I. Évfolyam II. félév/
Fizika belépő kérdések /Földtudományi alapszak I. Évfolyam II. félév/. Coulomb törvény: a pontszerű töltések között ható erő (F) egyenesen arányos a töltések (Q,Q ) szorzatával és fordítottan arányos a
RészletesebbenMűszerek tulajdonságai
Műszerek tulajdonságai 1 Kiválasztási szempontok Műszerek kiválasztásának általános szempontjai mérendő paraméter alkalmazható mérési elv mérendő érték, mérési tartomány környezeti tényezők érzékelő mérete
RészletesebbenÁ Í Á Ó É ö á í á ő á á Á ő ő á ő á í á ő á á á á í ő ö í á á í á á ö ő á í ő áí á á ő á í í á ú ü ö á ú ö á í á á á ö á á ő á á á ő á ő á ú ü á ő á í ő ő ő áí á á ö ő á ő á á ő ő á í á ő á ő á á á ü ő
Részletesebben2. gyakorlat Állapot alapú modellezés Megoldások
2. gyakorlat Állapot alapú modellezés ok 1. Közlekedési lámpa Közlekedési lámpát vezérlő elektronikát tervezünk. a) Készítsük el egy egyszerű piros sárga zöld közlekedési lámpa olyan állapotterét, amely
RészletesebbenRelációs algebrai lekérdezések átírása SQL SELECT-re (példák)
Relációs algebrai lekérdezések átírása SQL SELECT-re (példák) Tankönyv: Ullman-Widom: Adatbázisrendszerek Alapvetés Második, átdolgozott kiadás, Panem, 2009 Áttekintés: Rel.algebra és SQL Példák: Tk.Termékek
RészletesebbenAnalízis lépésről - lépésre
Analízis lépésről - lépésre interaktív tananyag Dr. Stettner Eleonóra Klingné Takács Anna Analízis lépésről - lépésre: interaktív tananyag írta Dr. Stettner Eleonóra és Klingné Takács Anna Tartalom Előszó...
RészletesebbenRelációs algebra áttekintés és egy táblára vonatkozó lekérdezések
Relációs algebra áttekintés és egy táblára vonatkozó lekérdezések Tankönyv: Ullman-Widom: Adatbázisrendszerek Alapvetés Második, átdolgozott kiadás, Panem, 2009 2.4. Relációs algebra (áttekintés) 5.1.
Részletesebben8. Mohó algoritmusok. 8.1. Egy esemény-kiválasztási probléma. Az esemény-kiválasztási probléma optimális részproblémák szerkezete
8. Mohó algoritmusok Optimalizálási probléma megoldására szolgáló algoritmus gyakran olyan lépések sorozatából áll, ahol minden lépésben adott halmazból választhatunk. Sok optimalizálási probléma esetén
RészletesebbenOperációs Rendszerek példatár. Utolsó frissítés: 2014. február 10.
Operációs Rendszerek példatár Utolsó frissítés: 2014. február 10. A példatár Szegedi Tudományegyetemen oktatott Operációs rendszerek tárgy gyakorlati anyagához illeszkedo feladatok sorát tartalmazza, mely
RészletesebbenŁ ť ŕ í í ü ö ő ű ő ő ő ú í ä Í ř ö ő í í ę ö ő í Ú í ń đ ń É É ő Ę í í ű ü ö í ö Ĺí ö ő ü Ó ő ü ń ü ö ö ö ö ő í Ü í Ü ö í ő í ś ű Í Ł Á Á ő í ö Ú í ű í í ô ő í ő ö ö ő ú ő ä ő í ű ő ü ő ő í ő í í Í í
RészletesebbenParaméteres-, összesítı- és módosító lekérdezések
Paraméteres-, összesítı- és módosító lekérdezések Kifejezések lekérdezésekben mezıként és feltételként is megadhatjuk. A kifejezés tartalmazhat: adatot - állandót (pl. városlátogatás, 5000, Igen, 2002.07.31.)
RészletesebbenStandardizálás, transzformációk
Standardizálás, transzformációk A transzformációk ugynúgy mennek, mint egyváltozós esetben. Itt még fontosabbak a linearitás miatt. Standardizálás átskálázás. Centrálás: kivonjuk minden változó átlagát,
RészletesebbenCsődvalószínűségek becslése a biztosításban
Csődvalószínűségek becslése a biztosításban Diplomamunka Írta: Deák Barbara Matematikus szak Témavezető: Arató Miklós, egyetemi docens Valószínűségelméleti és Statisztika Tanszék Eötvös Loránd Tudományegyetem,
RészletesebbenÚTMUTATÓ A MÓDSZERTANI SZIGORLAT LETÉTELÉHEZ
Szolnoki Főiskola Üzleti Fakultás, 5000 Szolnok, Tiszaligeti sétány ÚTMUTATÓ A MÓDSZERTANI SZIGORLAT LETÉTELÉHEZ A 4/1996. (I. 18.) Korm. rendelet a közgazdasági felsőoktatás alapképzési szakjainak képesítési
RészletesebbenTárgyszavak: mobilmarketing; marketingkampány; reklámüzenet; fogyasztói szokások; internet; SMS; MMS.
GAZDASÁG Merre tart a mobilmarketing? Tárgyszavak: mobilmarketing; marketingkampány; reklámüzenet; fogyasztói szokások; internet; SMS; MMS. A mobilkereskedelem az üzleti tranzakciókat állítja az előtérbe,
RészletesebbenBASIC és PRO webáruház csomagok
7even Online Ügynökség BASIC és PRO webáruház csomagok részletes termékbemutató és ártájékoztató A 7even-ről Több mint 200 ügyfelünk már a 7even Csapatát választotta. Reméljük, hamarosan Önt is elégedett
RészletesebbenValószín ségelmélet házi feladatok
Valószín ségelmélet házi feladatok Minden héten 3-4 házi feladatot adok ki. A megoldásokat a következ órán kell beadni, és kés bb már nem lehet pótolni. Csak az mehet vizsgázni, aki a 13 hét során kiadott
RészletesebbenAttitűdformálás a TÁMOP 3.4.2/A-11/2 Projektet megvalósító együttnevelő intézmények számára
Az attitűd formálás célja az volt, hogy a gyerekek a sajátjuktól eltérő más személyiségeket elfogadják. Nyitottakká váljanak mások véleményének megismerésére és tiszteletben tartására. Fontos az eltérő
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Bizonytalan tudás és kezelése Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade Milyen matematikát
RészletesebbenCagan-modell Egyéb modellek a pénzkeresletre. Gazdaságpolitika Tanszék Budapesti Corvinus Egyetem
Gazdaságpolitika Tanszék Budapesti Corvinus Egyetem Nyitott gazdaságok makroökonómiája Bevezetés Megjelenik a pénz átvezetés a Monetáris makroökonómia tárgyába Mi a pénz? Árak és pénzmennyiség viszonya
RészletesebbenSZAKDOLGOZAT. Hucker Dávid
SZAKDOLGOZAT Hucker Dávid Debrecen 2010 Debreceni Egyetem Informatikai Kar Kétszemélyes játékok fejlesztése Java-ban Témavezető: Jeszenszky Péter Egyetemi adjunktus Készítette: Hucker Dávid Programtervező
RészletesebbenÁtrendezések és leszámlálások ÚTMUTATÓ Hegedüs Pál 1-2015.június 30.
Átrendezések és leszámlálások ÚTMUTATÓ Hegedüs Pál 1-2015.június 30. 1. Határozzuk meg, hány egybevágósága van egy négyzetnek! Melyek azonos jellegűek ezek között? Ez egy általános bevezető feladat tud
RészletesebbenA fehérjék térszerkezetének jóslása
A fehérjék térszerkezetének jóslása 1. A probléma bonyolultsága 2. A predikció szintjei 3. 1D predikciók (másodlagos szerkezet, hozzáférhetõség, transzmembrán hélixek 4. 2D predikciók (oldallánc kontaktusok,
RészletesebbenLEKÉRDEZÉSEK SQL-BEN. A relációs algebra A SELECT utasítás Összesítés és csoportosítás Speciális feltételek
LEKÉRDEZÉSEK SQL-BEN A relációs algebra A SELECT utasítás Összesítés és csoportosítás Speciális feltételek RELÁCIÓS ALGEBRA A relációs adatbázisokon végzett műveletek matematikai alapjai Halmazműveletek:
Részletesebbenmatematikai statisztika 2006. október 24.
Valószínűségszámítás és matematikai statisztika 2006. október 24. ii Tartalomjegyzék I. Valószínűségszámítás 1 1. Véletlen jelenségek matematikai modellje 3 1.1. Valószínűségi mező..............................
RészletesebbenRENDEZÉSEK, TOVÁBBI PROGRAMOZÁSI TÉTELEK
RENDEZÉSEK, TOVÁBBI PROGRAMOZÁSI TÉTELEK 1. EGY SOROZATHOZ EGY SOROZATOT RENDELŐ TÉTELEK 1.1 Rendezések 1.1.1 Kitűzés Adott egy sorozat, és a sorozat elemein értelmezett egy < reláció. Rendezzük a sorozat
RészletesebbenFelfedeztem egy nagyon érdekes és egyszerű internetes pénzkeresési módot, amihez nulla forint befektetés szükséges.
Kedves Olvasó! Felfedeztem egy nagyon érdekes és egyszerű internetes pénzkeresési módot, amihez nulla forint befektetés szükséges. Eredetileg egy barátomnak akartam segíteni, aki egyik napról a másikra
RészletesebbenOperációs rendszerek. Holtpont
Operációs rendszerek Holtpont Holtpont (deadlock) fogalma A folyamatok egy csoportja olyan eseményre vár, amelyet egy másik, ugyancsak várakozó folyamat tud előidézni. Esemény: tipikusan erőforrás felszabadulása.
RészletesebbenAdó: kényszer útján beszedett pénzösszeg, amellyel szemben közvetlen ellenszolgáltatás nem követelhető Adósságcsapda: kezelése hitelfelvétellel
Adó: kényszer útján beszedett pénzösszeg, amellyel szemben közvetlen ellenszolgáltatás nem követelhető Adósságcsapda: kezelése hitelfelvétellel történik Alacsony (inferior) javak: azok melynek jöv.rugja.
Részletesebben1. (Sugár Szarvas fgy., 186. o. S13. feladat) Egy antikvárium könyvaukcióján árverésre került. = x = 6, y = 12. s y y = 1.8s x.
. Sugár Szarvas fgy., 86. o. S3. feladat Egy antikvárium könyvaukcióján árverésre került 9 könyv licitálási adatai alapján vizsgáljuk a könyvek kikiáltási és ún. leütési ára ezerft közötti sztochasztikus
RészletesebbenA főbb témakörök listája
A főbb témakörök listája Nem jelenti azt, hogy kizárólag ezek közül lehetnek vizsgakérdések (nem mind részletezettek, a teljes számonkérhető anyag a tankönyv és az előadás fóliák), de a hangsúly ezeken
RészletesebbenForgalmi grafikák és statisztika MRTG-vel
Forgalmi grafikák és statisztika MRTG-vel Az internetes sávszélesség terheltségét ábrázoló grafikonok és statisztikák egy routerben általában opciós lehetőségek vagy még opcióként sem elérhetőek. Mégis
Részletesebben9. Áramlástechnikai gépek üzemtana
9. Áramlástechnikai gépek üzemtana Az üzemtan az alábbi fejezetekre tagozódik: 1. Munkapont, munkapont stabilitása 2. Szivattyú indítása soros 3. Stacionárius üzem kapcsolás párhuzamos 4. Szivattyú üzem
Részletesebben1.1. Gyökök és hatványozás... 1 1.1.1. Hatványozás... 1 1.1.2. Gyökök... 1 1.2. Azonosságok... 2 1.3. Egyenlőtlenségek... 3
Tartalomjegyzék 1. Műveletek valós számokkal... 1 1.1. Gyökök és hatványozás... 1 1.1.1. Hatványozás... 1 1.1.2. Gyökök... 1 1.2. Azonosságok... 2 1.3. Egyenlőtlenségek... 3 2. Függvények... 4 2.1. A függvény
RészletesebbenOpponensi vélemény. Kézdi Gábor: Heterogeneity in Stock Market Expectation. and Portfolio Choice of American Households
Opponensi vélemény Kézdi Gábor: Heterogeneity in Stock Market Expectation and Portfolio Choice of American Households című, MTA doktori címre benyújtott disszertációjáról Kézdi Gábor disszertációjában
Részletesebben117. AA Megoldó Alfréd AA 117.
Programozás alapjai 2. (inf.) pót-pótzárthelyi 2011.05.26. gyak. hiányzás: kzhpont: MEG123 IB.028/117. NZH:0 PZH:n Minden beadandó megoldását a feladatlapra, a feladat után írja! A megoldások során feltételezheti,
RészletesebbenSzegedi Tudományegyetem Természettudományi Kar Éghajlattani és Tájföldrajzi Tanszék FOGALOMTÁR 2. RÉSZ
Szegedi Tudományegyetem Természettudományi Kar Éghajlattani és Tájföldrajzi Tanszék FOGALOMTÁR 2. RÉSZ Az Általános klimatológia gyakorlat 2. zh-jában szereplő fogalmak jegyzéke Szeged 2008 A 2. ZH-ban
RészletesebbenInfúzióválasztás döntési modellek használatával egy esettanulmány
Infúzióválasztás döntési modellek használatával egy esettanulmány Ferenci Tamás tamas.ferenci@medstat.hu Tartalomjegyzék 1. Háttérismeretek, döntéselméleti problémafelvetés 1 2. Nem-klasszikus döntési
Részletesebben10. Valószínűségszámítás
. Valószínűségszámítás.. Események A valószínűségszámítás nagyon leegyszerűsítve események bekövetkezésének valószínűségével foglalkozik. Példák: Ha egy játékban egy dobókockával dobunk, akkor a kockadobás
Részletesebben= szinkronozó nyomatékkal egyenlő.
A 4.45. ábra jelöléseit használva, tételezzük fel, hogy gépünk túllendült és éppen a B pontban üzemel. Mivel a motor által szolgáltatott M 2 nyomaték nagyobb mint az M 1 terhelőnyomaték, a gép forgórészére
RészletesebbenA rendszert négy komponensből építjük fel, amelyek a következők:
Online adatkezelő rendszer Közös követelmények: A rendszert négy komponensből építjük fel, amelyek a következők: adatbázis, amely tartalmazza a rendszer által használt adatokat (beleértve a felhasználói
Részletesebben15.KÚPKEREKEK MEGMUNKÁLÁSA ÉS SZERSZÁMAI
15.KÚPKEREKEK MEGMUNKÁLÁSA ÉS SZERSZÁMAI Alapadatok Egymást szög alatt metsző tengelyeknél a hajtást kúpkerékpárral valósítjuk meg (15.1 ábra). A gördülő felületek kúpok, ezeken van kiképezve a kerék fogazata.
RészletesebbenADDITÍV KONVOLÚCIÓS ÖSSZEGEK SPEKTRÁLIS FELBONTÁSA
ADDITÍV KONVOLÚCIÓS ÖSSZEGEK SPEKTRÁLIS FELBONTÁSA HARCOS GERGELY Ha a(n) eg számelméleti függvén, akkor természetes feladat a a(m)a(n)w(m, n) m±nh alakú additív konvolúciós összegek vizsgálata. Ha W :
RészletesebbenFénysugarak visszaverődésének tanulmányozása demonstrációs optikai készlet segítségével
Fénysugarak visszaverődésének tanulmányozása demonstrációs optikai készlet segítségével Demonstrációs optikai készlet lézer fényforrással Az optikai elemeken mágnesfólia található, így azok fémtáblára
RészletesebbenGyakorlatok. P (n) = P (n 1) + 2P (n 2) + P (n 3) ha n 4, (utolsó lépésként l, hl, u, hu-t léphetünk).
Gyakorlatok Din 1 Jelölje P (n) azt a számot, ahányféleképpen mehetünk le egy n lépcsőfokból álló lépcsőn a következő mozgáselemek egy sorozatával (zárójelben, hogy mennyit mozgunk az adott elemmel): lépés
RészletesebbenAEC / AECF típusú, axiálventilátoros légbefúvók TERVEZÉSI SEGÉDLET
AEC / AECF ú, axiálventilátoros légbefúvók TERVEZÉSI SEGÉDLET 2013.09.02. 1 TARTALOM ALKALMAZÁSI TERÜLET 3 AZ ALAPKIVITELÛ BERENDEZÉSEK FÕBB JELLEMZÕI 3 RENDELHETÕ TARTOZÉKOK 3 AZ AEC / AECF TÍPUSÚ KÉSZÜLÉKEK
RészletesebbenMiskolci Egyetem GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR. Analízis I. példatár. (kidolgozott megoldásokkal) elektronikus feladatgyűjtemény
Miskolci Egyetem GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR Analízis I. példatár kidolgozott megoldásokkal) elektronikus feladatgyűjtemény Összeállította: Lengyelné Dr. Szilágyi Szilvia Miskolc, 013. Köszönetnyilvánítás
RészletesebbenAz 5-2. ábra két folyamatos jel (A és B) azonos gyakoriságú mintavételezését mutatja. 5-2. ábra
Az analóg folyamatjeleken - mielőtt azok további feldolgozás (hasznosítás) céljából bekerülnének a rendszer adatbázisába - az alábbi műveleteket kell elvégezni: mintavételezés, átkódolás, méréskorrekció,
RészletesebbenÜ G Y F É L T Á J É K O Z T A T Ó
Ü G Y F É L T Á J É K O Z T A T Ó a NETB@NK internet bankolási szolgáltatásról Takarékszövetkezetünk a Netb@nk szolgáltatással olyan lehetőséget kínál, amely a lehető legnagyobb biztonság mellett, szabványos
RészletesebbenModule 2. Árubemutatás, prezentáció. Vevőkör-véleménykutatás. A. A kérdőív
Module 2. Árubemutatás, prezentáció Vevőkör-véleménykutatás A. A kérdőív Mit tudhatunk meg a kikérdezéssel? Ha tudni szeretnénk, hogy a termékkínálatunk megfelel-e a vevőkörünk igényeinek, hogy az árainkat
RészletesebbenV. Gyakorlat: Vasbeton gerendák nyírásvizsgálata Készítették: Friedman Noémi és Dr. Huszár Zsolt
. Gyakorlat: asbeton gerenák nyírásvizsgálata Készítették: Frieman Noémi és Dr. Huszár Zsolt -- A nyírási teherbírás vizsgálata A nyírási teherbírás megfelelő, ha a következő követelmények minegyike egyiejűleg
RészletesebbenBeltéri szekrények és moduláris elosztók
eltéri szekrények és moduláris elosztók.3.47.60.68.02.08.50 Áramkörvédelem Életvédelem Kényelmi funkciók Gyűjtősínek Szekrények ecord Plus ( keret 60 ) eltéri szekrények és moduláris elosztók Vezérlés
RészletesebbenMi jön a Facebook után?
Mi jön a Facebook után? Amik mindent megváltoztattak 2004. február 2005. február 2007. június 2 A mobil jövő A fejlett országokban minden 4. embernek okostelefonja van Közülük minden harmadik a telefonján
RészletesebbenKinematika 2016. február 12.
Kinematika 2016. február 12. Kinematika feladatokat oldunk me, szamárháromszö helyett füvényvizsálattal. A szamárháromszöel az a baj, hoy a feladat meértése helyett valami szabály formális használatára
RészletesebbenMikroökonómia előadás. Dr. Kertész Krisztián főiskolai docens k.krisztian@efp.hu
Mikroökonómia előadás Dr. Kertész Krisztián főiskolai docens k.krisztian@efp.hu Árrugalmasság A kereslet árrugalmassága = megmutatja, hogy ha egy százalékkal változik a termék ára, akkor a piacon hány
RészletesebbenSztochasztikus folyamatok 1. házi feladat
Sztochasztikus folyamatok 1. házi feladat 1. Egy borfajta alkoholtartalmának meghatározására méréseket végzünk. Az egyes mérések eredményei egymástól független valószínûségi változók, melyek normális eloszlásúak,
Részletesebben2. Hatványozás, gyökvonás
2. Hatványozás, gyökvonás I. Elméleti összefoglaló Egész kitevőjű hatvány értelmezése: a 1, ha a R; a 0; a a, ha a R. Ha a R és n N; n > 1, akkor a olyan n tényezős szorzatot jelöl, aminek minden tényezője
RészletesebbenBALATONALMÁDI KÖZÖSSÉGI
BALATONALMÁDI KÖZÖSSÉGI MÉDIA JELENLÉTE Árajánlat A dokumentum harmadik fél részére sem részben, sem egészben nem adható ki. 2015.04.06. Az ajánlat érvényességi ideje: 2015.06.06. BALATONALMÁDI KÖZÖSSÉGI
Részletesebben